Java网页数据采集器[数据采集1]

开篇

作为全球运用最广泛的语言,Java 凭借它的高效性,可移植性(跨平台),代码的健壮性以及强大的可扩展性,深受广大应用程序开发者的喜爱. 作为一门强大的开发语言,正则表达式在其中的应用当然是必不可少的,而且正则表达式的掌握能力也是那些高级程序员的开发功底之体现,做一名合格的网站开发的程序员(尤其是做前端开发),正则表达式是必备的.

最近,由于一些需要,用到了java和正则,做了个的足球网站的数据采集程序;由于是第一次做关于java的html页面数据采集,必然在网上查找了很多资料,但是发现运用如此广泛的java在使用正则做html采集方面的(中文)文章是少之又少,都是简单的谈了下java正则的概念,没有真正用在实际网页html采集,实例教程更是寥寥无几(虽然java有它自己的Html Parser,而且十分强大),但个人觉得作为如此深入人心的正则表达式,理应有其相关的java实例教程,而且应该很多很全.于是在完成java版的html数据采集程序之后,本人便打算写个关于正则表达式在java上的html页面采集,以便有相关兴趣的读者更好的学习.

本期概述

这期我们来学习下如何读取网页源代码，并通过group正则 动态抓取我们需要的网页数据.同时在接下来的几期,我们将继续学习[数据存储]如何将抓取的比赛数据存到数据库(MySql), [数据查询] 怎样查询我们想看的比赛记录,以及[远程操作]通过客户端远程访问和操作服务器来进行数据的采集,存储和查询.

关于group正则 

说到正则表达式是如何帮助java进行html页面采集,这里需要提一下正则表达式中的group方法(代码如下).

import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
* Group 类 用于匹配和抓取 html页面的数据
* @author SoFlash - 博客园  http://www.cnblogs.com/longwu
*/
public class Group {

    public static void main(String[] args) {
        // Pattern 用于编译正则 这里用到了3个正则 分别用括号()包住
        // 第1个正则用于匹配URL 当然这里的正则不一定准确 这个匹配URL的正则就是错误的 只是在这里刚好能匹配出来
        // 第2个正则是用于匹配标题 SoFlash的
        // 第3个正则用于匹配日期
        /* 这里只用了一条语句便把url,标题和日期全部给匹配出来了 */
        Pattern p = Pattern
                .compile("='(\w.+)'>(\w.+[a-zA-Z])-(\d{1,2}\.\d{1,2}\.\d{4})");
        String s = "<a href='http://www.cnblogs.com/longwu'>SoFlash-12.22.2011</a>";
        Matcher m = p.matcher(s);
        while (m.find()) {
            // 通过调用group()方法里的索引 将url,标题和日期全部给打印出来
            System.out.println("打印出url链接:" + m.group(1));
            System.out.println("打印出标题:" + m.group(2));
            System.out.println("打印出日期:" + m.group(3));
            System.out.println();
        }
        System.out.println("group方法捕获的数据个数:" + m.groupCount() + "个");
    }
}

我们看下输出结果:

        打印出url链接:http://www.cnblogs.com/longwu
        打印出标题:SoFlash
        打印出日期:12.22.2011

        group方法捕获的数据个数:3个

想了解更多的正则在java方面应用的朋友请看 JAVA 正则表达式 （超详细）

如果之前没有学过正则的可以看看这个 揭开正则表达式的神秘面纱

页面采集实例 

好了 group方法介绍完了 我们来使用下group正则采集某个足球网站页面的数据

页面链接: 2011-2012赛季英超球队战绩

首先我们读取整个html页面,并打印出来(代码如下).

     public static void main(String[] args) {

         String strUrl = "http://www.footballresults.org/league.php?all=1&league=EngPrem";
         try {
             // 创建一个url对象来指向 该网站链接 括号里()装载的是该网站链接的路径
             // 更多可以看看 http://wenku.baidu.com/view/8186caf4f61fb7360b4c6547.html
             URL url = new URL(strUrl);
             // InputStreamReader 是一个输入流读取器 用于将读取的字节转换成字符
             // 更多可以看看 http://blog.sina.com.cn/s/blog_44a05959010004il.html
             InputStreamReader isr = new InputStreamReader(url.openStream(),
                     "utf-8"); // 统一使用utf-8 编码模式
             // 使用 BufferedReader 来读取 InputStreamReader 转换成的字符
             BufferedReader br = new BufferedReader(isr);
             // 如果 BufferedReader 读到的内容不为空
             while (br.readLine() != null) {
                 // 则打印出来 这里打印出来的结果 应该是整个网站的
                 System.out.println(br.readLine());
             }
             br.close(); // 读取完成后关闭读取器
         } catch (IOException e) {
             // 如果出错 抛出异常
             e.printStackTrace();
         }
     }

打印出来的结果是整个html页面的源代码(部分截图如下).

到这里,html源代码已经成功采集下来了.但是,我们想要的并不是整个html源代码, 而是网页上的比赛数据.

首先,我们分析下 html源代码结构 来到 2011-2012赛季英超球队战绩 页面,右键 点击 '查看源文件' (其它浏览器可能叫源代码或者相关).

我们来看看 其内部的html代码结构 以及我们需要的数据.

其对应的页面数据

这时候,强大的正则表达式派上用场了, 我们需要写几个用来抓取球队数据的正则.

这里需要用到3个正则表达式: 日期正则,2个球队正则(主队和客队)以及比赛结果正则.

String regularDate = "(\d{1,2}\.\d{1,2}\.\d{4})";   //日期正则
String regularTwoTeam = ">[^<>]*</a>";           //球队正则 
String regularResult = ">(\d{1,2}-\d{1,2})</TD>";    //比赛结果正则

写好正则, 我们便可以使用该正则来抓取我们想要得到的数据了.

首先,我们写一个GroupMethod类, 里面包含了regularGroup()方法,用于抓取html页面数据.

import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
 * GroupMethod类 用于匹配并抓去 Html上我们想要的内容
 * @author SoFlash - 博客园  http://www.cnblogs.com/longwu
 */
public class GroupMethod {
    // 传入2个字符串参数 一个是pattern(我们使用的正则) 另一个matcher是html源代码
    public String regularGroup(String pattern, String matcher) {
        Pattern p = Pattern.compile(pattern, Pattern.CASE_INSENSITIVE);
        Matcher m = p.matcher(matcher);
        if (m.find()) { // 如果读到
            return m.group();// 返回捕获的数据
        } else {
            return ""; // 否则返回一个空字符串
        }
    }
}

然后在主函数里实施html页面的数据抓取.

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URL;
/**
 * Main主函数 用于数据采集
 * @author SoFlash - 博客园  http://www.cnblogs.com/longwu
 */
public class Main {

    public static void main(String[] args) {
        // 首先用一个字符串 来装载网页链接
        String strUrl = "http://www.footballresults.org/league.php?all=1&league=EngPrem";
        try {
            // 创建一个url对象来指向 该网站链接 括号里()装载的是该网站链接的路径
            // 更多可以看看 http://wenku.baidu.com/view/8186caf4f61fb7360b4c6547.html
            URL url = new URL(strUrl);
            // InputStreamReader 是一个输入流读取器 用于将读取的字节转换成字符
            // 更多可以看看 http://blog.sina.com.cn/s/blog_44a05959010004il.html
            InputStreamReader isr = new InputStreamReader(url.openStream(),
                    "utf-8"); // 统一使用utf-8 编码模式
            // 使用 BufferedReader 来读取 InputStreamReader 转换成的字符
            BufferedReader br = new BufferedReader(isr);
            String strRead = ""; // 新增一个空字符串strRead来装载 BufferedReader 读取到的内容

            // 定义3个正则 用于匹配我们需要的数据
            String regularDate = "(\d{1,2}\.\d{1,2}\.\d{4})";
            String regularTwoTeam = ">[^<>]*</a>";
            String regularResult = ">(\d{1,2}-\d{1,2})</TD>";

            // 创建一个GroupMethod类的对象 gMethod 方便后期调用其类里的 regularGroup方法
            GroupMethod gMethod = new GroupMethod();
            int i =0;  //定义一个i来记录循环次数  即收集到的球队比赛结果数
            int index = 0; // 定义一个索引 用于获取分离 2个球队的数据 因为2个球队正则是相同的
            // 开始读取数据 如果读到的数据不为空 则往里面读
            while ((strRead = br.readLine()) != null) {
                /**
                 * 用于捕获日期数据
                 */
                String strGet = gMethod.regularGroup(regularDate, strRead);
                //如果捕获到了符合条件的 日期数据 则打印出来 
                if (!strGet.equals("")) {
                    System.out.println("Date:" + strGet);
                    //这里索引+1  是用于获取后期的球队数据
                    ++index;   //因为在html页面里 源代码里 球队数据是在刚好在日期之后 
                }
                /**
                 * 用于获取2个球队的数据
                 */
                strGet = gMethod.regularGroup(regularTwoTeam, strRead);
                if (!strGet.equals("") && index == 1) { //索引为1的是主队数据
                    // 通过substring方法 分离出 主队数据
                    strGet = strGet.substring(1, strGet.indexOf("</a>"));
                    System.out.println("HomeTeam:" + strGet); //打印出主队
                    index++;  //索引+1之后 为2了
                    // 通过substring方法 分离出 客队
                } else if (!strGet.equals("") && index == 2) {  //这里索引为2的是客队数据
                    strGet = strGet.substring(1, strGet.indexOf("</a>"));
                    System.out.println("AwayTeam:" + strGet); //打印出客队 
                    index = 0;
                }
                /**
                 * 用于获取比赛结果
                 */
                strGet = gMethod.regularGroup(regularResult, strRead);
                if (!strGet.equals("")) {
                    //这里同样用到了substring方法 来剔除'<' 和 "</TD>" 标签 来获取我们想要的比赛结果
                    strGet = strGet.substring(1, strGet.indexOf("</TD>"));
                    System.out.println("Result:" + strGet);
                    System.out.println();
                    i++;
                }
            }
            // 当读完数据后 记得关闭 BufferReader
            br.close();
            System.out.println("共收集到"+i+"条比赛记录");//打印出循环次数
        } catch (IOException e) {
            // 如果出错 抛出异常
            e.printStackTrace();
        }
    }
}

运行查看

我们来看看输出结果(部分截图-初始阶段)

 对比下 html上的数据 (部分截图-初始阶段)

输出结果(部分截图-结束阶段)

对比下 html上的数据 (部分截图-结束阶段)

好了, 这样的html数据采集就完成了. :)

当然这里只是抓取了一个页面的内容,如果感兴趣 想抓去更多的页面内容, 你可以分析下该链接后的联盟名, 例如 league=EngPrem 

通过改变league名来获取所有联盟的比赛数据; 你也可以简单写个数组来装载所有的球队名称；

当然还有更智能的方法, 写个采集数据的方法从http://www.footballresults.org/allleagues.php 页面源代码里获取所有联盟的名字(如下图).

然后来附加到 "http://www.footballresults.org/league.php?all=1&league=" 链接后面 来补齐链接, 进而循环读取各个联盟比赛页面的内容. 

附上源代码下载 htmlDataCollection.zip